Onderzoek koppelt zes Chinese AI-modellen aan Blackwell-GPU’s

Zes AI-modellen van DeepSeek, Moonshot AI, MiniMax en Ant Group dragen volgens Unemployment Labs een hardwarevingerafdruk in hun vrijgegeven gewichten die de initialisatie van de modellen koppelt aan Nvidia’s Blackwell-generatie.

Een Nederlands team dat open modellen in een product of intern proces opneemt, krijgt met deze methode een aanwijzing over de GPU-generatie achter de gewichten. Dat maakt de herkomst van het model een inkoopvraag, maar toont geen locatie, eigenaar, toegangsroute of exportovertreding.

Een chip laat sporen achter in beginwaarden

De methode begint bij de startwaarden van een model. In PyTorch maakt een pseudowillekeurige generator waarden op basis van een seed, een startgetal waarmee dezelfde reeks opnieuw kan worden gemaakt. De GPU verdeelt die bewerking over rekeneenheden. Het aantal rekeneenheden bepaalt waar waarden in de lange reeks terechtkomen. Een deel van die ordening kan in modelgewichten blijven zitten nadat training ze heeft aangepast.

Will DePue van Unemployment Labs zocht ruim zes biljoen combinaties van seed en chipindeling. De matches lopen van 49 tot 1.385 sigma, een maat voor hoeveel standaardafwijkingen een resultaat boven toeval ligt. De zwakste afzonderlijke test in het rapport kwam uit op 20 sigma. Bij alle 24 modellen waarvoor makers de gebruikte hardware zelf hadden genoemd, kwam de uitkomst overeen met hun vermelding. Dat is volgens het rapport geen nauwkeurigheidspercentage, omdat sommige modellen verwante startgewichten delen.

Voor DeepSeek-V4-Flash leverde een Blackwell B300 de onaangeroerde beginwaarden bit voor bit opnieuw op. Een gehuurde GB200 kwam bij Kimi K3 tot een correlatie van 0,999995, schrijft DePue in zijn uitleg van de fysieke tests. Op 13 november zette hij ook code en gewichtsdelen voor vijf modelstarts openbaar. De repo bevat een laptopcontrole en een tweede script dat de test met ongewijzigd PyTorch op een GPU herhaalt.

De zes matches volgen vier labs

De zes releases zijn DeepSeek-V4-Flash en V4-Pro, Kimi K3 en K3.1-Pro, MiniMax-M3 en Ant Groups Ling-3.1-flash. Twee passen bij Blackwell met 148 rekeneenheden, vier bij Grace Blackwell met 152. K3.1-Pro deelt de seed van K3 en kan volgens het rapport een verder getraind checkpoint zijn. Daarom telt de schaalraming vijf modelstarts, geen zes onafhankelijke runs.

Bij alle vier labs ging een Hopper-patroon vooraf aan Blackwell. DeepSeek ging van V3 in december 2024 naar V4 in april 2026. Het patroon verschijnt bij Moonshot vanaf Kimi K3 in juli 2026, bij MiniMax vanaf M3 in juni 2026 en bij Ant Group vanaf Ling-3.1-flash in oktober 2026. In juli 2026 bevestigde BIS een onderzoek naar mogelijke Blackwell-exportovertredingen rond Kimi K3; de nieuwe analyse voegt een technische aanwijzing toe.

De verschuiving geldt niet voor alle Chinese modelmakers. Recente modellen van Alibaba, Zhipu, Tencent, Xiaomi en StepFun dragen volgens het rapport nog Hopper-sporen. Bij Meituans LongCat-2.0 vond de methode geen Nvidia-patroon. Een ontbrekend patroon zegt niet welke GPU’s wel zijn gebruikt: niet elk model of trainingssysteem laat een herkenbare afdruk achter.

De aantallen blijven ruime schattingen

Unemployment Labs raamt 12.000 Blackwell-GPU’s over vijf runs, met een bandbreedte van 7.000 tot 22.000. De puntschatting is 4.500 voor Kimi K3 en 3.000 voor DeepSeek-V4-Pro. De onderzoekers berekenden dit uit modelgrootte, geschatte hoeveelheid trainingsdata en een veronderstelde benutting van circa 20 procent. Ze schatten de runs op 50 tot 100 dagen. Het zijn geen gepubliceerde chipinkopen van de labs.

De grootste onzekerheid is de looptijd: als een run half zo lang duurde, verdubbelt het benodigde aantal GPU’s. Alleen DeepSeek heeft de tokenaantallen voor deze modellen opgegeven; voor de andere labs schatte de onderzoeker die met een nog niet gepubliceerde methode. De raming is op 12 november 2026 herzien nadat de onderzoekers met circa 20 procent GPU-benutting gingen rekenen.

Mistral meldt dat Large 4, met ongeveer 49 miljard actieve parameters, is getraind op 3.800 Grace Blackwell-GPU’s in eigen Europese datacenters. Microsoft zegt MAI-Base-2 gedurende 38 dagen op 16.000 GB200-GPU’s te hebben getraind, met gemiddeld 21 procent benutting van de theoretische rekencapaciteit. De twee openbare voorbeelden plaatsen de raming in perspectief, maar controleren de Chinese runs niet onafhankelijk.

Een gewicht legt de route niet vast

De fingerprint identificeert de GPU-indeling die de beginwaarden maakte, niet alle chips die later meededen. Een lab kan gewichten naar een andere cluster verplaatsen en daar verder trainen. De methode toont evenmin de eigenaar, locatie of toegangsroute. Een ingestelde AMD MI300X kan dezelfde indeling nabootsen. De onderzoekers konden die optie voor DeepSeek-V4-Flash uitsluiten met numerieke verschillen; voor de andere vijf modellen noemen zij haar erg onwaarschijnlijk, maar sluiten haar niet uit.

Het rapport classificeert B200-, B300-, GB200- en GB300-chips als vergunningplichtig voor export naar China en meldt dat er voor deze gevallen geen vergunningen bekend zijn. In januari 2026 kondigde de Amerikaanse BIS een beoordeling per geval aan voor aanvragen rond Nvidia H200 en AMD MI325X, onder voorwaarden voor productiecapaciteit, klantcontrole en onafhankelijke tests. De aankondiging beschrijft die beoordelingsvoorwaarden, maar stelt niet vast waar de Blackwell-systemen uit het onderzoek stonden.

Ook Beijing verkende in juli 2026 exportregels voor technologie rond AI: toen lagen modelgewichten, modellen en chiptechnologie op tafel. Voor een Nederlandse organisatie die open modellen inzet, maakt dat de modelherkomst een inkoopvraag naast prestaties en prijs. Een gewichtsbestand kan aanwijzingen over de startchip bevatten, maar geen locatie, leverancier of exportvergunning vastleggen. Die gegevens blijven afhankelijk van wat de modelmaker en infrastructuurleverancier documenteren.